-
	- #.tabular
		- ### 🗒️Notes
			- ![BOOX Notes](../assets/../../onyx/TabUltraCPro/Notepad/JOURNALING.pdf)
			- [EMELIOT MEETING 8-9 Luglio 2024 - L'Aquila - Google Docs](https://docs.google.com/document/d/17jmIUtaIKzIPfbwTvsCZAWIqPd9rRllVWpIOEtlS-7Q/edit)
			  type:: [[meeting]]
			  tags:: [[PROJECTS/PRIN-EMELIOT]]
			  location:: L'AQUILA
				- **Fairness By Design? Experimenting Prompt Engineering Patterns to Generate Fairness-Preserving Synthetic Datasets for Machine Learning-Enabled Systems (Salerno)**
				  collapsed:: true
					- **Patterns di prompt engineering** per generare dataset che siano fair by design
						- *RQ0: metriche di qualità strutturali*
							- Completezza
							- Uniqueness
							- Consistency
							- Readability
						- *RQ1: Structural quality of dataset generated by LLMs*
							- Esistono qualita' strutturali?
							- Metriche: AOD, SPD, EOD
						- *RQ2: Performance dei modelli addestrati con dati generati*
						- *RQ3: fairness di modelli addressati con dati originali vs quelli generati*
					- Three different prompts
						- 0-shot (nessun esempio)
						- 1-shot
						- 2-shot (due esempi)
				- DUrante la presentazone di Claudio sul lavoro di ICSE, Leonardo ci ha suggerito di provare a estrarere le regole del random forest risultanti dall'attività di training [[Ideas]]
					- C'e' incrementalità?
					- Se aggiungo dati, cambia il risultato della mia predizione?
					- Collegare il lavoro a quello di generazione di dati sintetici? Chiedo a chatgpt di generare dati dando in input le regole randomforest (vedi commento precedente)
				- **Appunti meeting emeliot (Antinisca):**
					- 1-per il lavoro sui sintomi:
					- a-definire meglio lo scenario d'uso
					- b-estrarre da random forest le regole per interpretare le predizioni che fa
					- c-usare le regole interpretative delle predizione di random forest per generare i dataset sintetici (per esempio usando l'approccio presentato da salerno)
						- per la generazione di modelli e in generale per task a supporto di software eng. forse meglio usare copilot (ma attenzione a privacy e aspetti etici) oppure GPT con librerie - suggerimento di Max
				- **Creation of User Stories with LLMs (Luciano)**
					- Ausilio alla generazione e valutazione dei requisiti
					- DONE Vedere lavoro Alessio Ferrari di ICSE 2023 per fare analisi di user stories definite da studenti
					  :LOGBOOK:
					  CLOCK: [2025-05-26 Mon 22:19:17]--[2025-05-26 Mon 22:19:17] =>  00:00:00
					  :END:
					- Vedere anche lavoro di Fabiano Dalpiaz su User Stories
id:: 668e3747-dff2-4f1a-84b2-1d75cbd83aa1
					- *Syntactic Metrics*
						- Automated tool **AQUSA**
					- *Semantic Metrics* [[Ideas]]
						- Feature specifity (FS)
						- Rational Clarity (RC)
						- Problem-Oriented (PO)
						- Language Clarity (LC)
						- Internal Consistency (IC)
				- **AI Technical Debt Unveiled: Understanding the Impact of AI-Specific Technical Debt (Salerno)**
					- 36 data smells (consistency, etc.)
					- C'e' un articolo di Arie Van Daursen su data smells in public datasets (14 data smells raggruppati in 5 categorie)
				- **A study on factors affecting the reproducibility of deep learning model training (UniSannio)**
					- Fattori che influenzano la riproducibilità del training:
						- Randomness
							- Governato dal random seed
						- Non determinismo dell'hardware
					- Con il lavoro che stanno facendo stanno cercando di controllare la randomness del software e il non-determinismo dell'hardware.
					- Dallo studio si evince che i fattori che hanno un impatto sulla riproducibitlià e che quindi andrebbero documentati sono:
						- Uso di GPU diverse
						- DL libraries and their versions
						- Random seed initialization
				- **Chatbot Testing (UniMiB)**
					- Botium, CTG sono strumenti di chatbot generation
				- **Data management in edge environments (PoliMi)**
					- Data Shipping Architecture
						- Contesto Serverless Edge Computing -> Open issues
					- FRED (Software Practice and Experience, 2023)
					- FogStore
					- Integrazione data e computation management
						- Partendo da Neptune
					- Formalizzato il problema delle repliche come problema di ottimizzazione (definito un modello di costo)
					- La novelty sta nel placement ottimale di **DATI E FUNZIONI**
				- **Resource provisioning for ML training (PoliMi)**
					-
		- ### 📜Reviews
			- {{query (and [[REVIEWS]] (or (property :date-end [[07-07-2024]]) (property :date-start [[07-07-2024]]) (property :date-submitted [[07-07-2024]])))}}
			  query-table:: true
			  query-properties:: [:file :year :venue :deadline]
		- ### ⤴️Omnivore readings
			- {{query (and (property :source [[Omnivore]]) (or (property :deadline [[07-07-2024]]) (property :date-saved [[07-07-2024]]) (property :date-archived [[07-07-2024]])))}}
			  query-table:: true
			  query-properties:: [:labels :state :full-title]